Ви благодариме што ја посетивте Nature.com.Верзијата на прелистувачот што ја користите има ограничена поддршка за CSS.За најдобри резултати, препорачуваме да користите понова верзија на вашиот прелистувач (или да го исклучите режимот за компатибилност во Internet Explorer).Во меѓувреме, за да обезбедиме постојана поддршка, ја прикажуваме страницата без стајлинг или JavaScript.
Апликациите на клиничката вештачка интелигенција (АИ) рапидно растат, но постојните наставни програми на медицинските училишта нудат ограничена настава што ја покрива оваа област.Овде го опишуваме курсот за обука за вештачка интелигенција што го развивме и доставивме до канадските студенти по медицина и даваме препораки за идна обука.
Вештачката интелигенција (ВИ) во медицината може да ја подобри ефикасноста на работното место и да помогне во донесувањето клинички одлуки.За безбедно да ја водат употребата на вештачка интелигенција, лекарите мора да имаат одредено разбирање за вештачката интелигенција.Многу коментари се залагаат за учење на концепти за вештачка интелигенција1, како што се објаснување на моделите на вештачка интелигенција и процесите на верификација2.Сепак, неколку структурирани планови се спроведени, особено на национално ниво.Пинто дос Сантос и сор.3.Беа анкетирани 263 студенти по медицина и 71% се согласија дека им е потребна обука за вештачка интелигенција.Подучувањето на вештачката интелигенција на медицинската публика бара внимателен дизајн кој комбинира технички и нетехнички концепти за студентите кои често имаат големо претходно знаење.Го опишуваме нашето искуство со испорака на серија работилници за вештачка интелигенција до три групи студенти по медицина и даваме препораки за идно медицинско образование за вештачка интелигенција.
Нашата петнеделна работилница „Вовед во вештачката интелигенција во медицината“ за студенти по медицина се одржа три пати помеѓу февруари 2019 и април 2021 година. Распоредот за секоја работилница, со краток опис на промените на курсот, е прикажан на Слика 1. Нашиот курс има три основни цели за учење: студентите разбираат како се обработуваат податоците во апликациите за вештачка интелигенција, ја анализираат литературата за вештачка интелигенција за клинички апликации и ги искористуваат можностите за соработка со инженери кои развиваат вештачка интелигенција.
Сината е тема на предавањето, а светло сината е интерактивниот период на прашања и одговори.Сивиот дел е во фокусот на краткиот преглед на литературата.Портокаловите делови се избрани студии на случај кои опишуваат модели или техники на вештачка интелигенција.Грин е воден курс за програмирање дизајниран да научи вештачка интелигенција да решава клинички проблеми и да ги оценува моделите.Содржината и времетраењето на работилниците се разликуваат врз основа на проценката на потребите на учениците.
Првата работилница се одржа на Универзитетот во Британска Колумбија од февруари до април 2019 година, а сите 8 учесници дадоа позитивни повратни информации4.Поради КОВИД-19, втората работилница се одржа буквално во октомври-ноември 2020 година, при што се регистрираа 222 студенти по медицина и 3 резиденти од 8 канадски медицински училишта.Слајдовите и кодот за презентација се поставени на локација со отворен пристап (http://ubcaimed.github.io).Клучниот фидбек од првото повторување беше дека предавањата беа премногу интензивни, а материјалот премногу теоретски.Услугата на шест различни временски зони во Канада претставува дополнителни предизвици.Така, втората работилница ја скрати секоја сесија на 1 час, го поедностави материјалот на курсот, додаде повеќе студии на случај и создаде програми за котли кои им овозможуваа на учесниците да пополнат фрагменти од код со минимално дебагирање (Рамка 1).Клучните повратни информации од втората итерација вклучуваа позитивни повратни информации за вежбите за програмирање и барање да се покаже планирање за проект за машинско учење.Затоа, во нашата трета работилница, која се одржа виртуелно за 126 студенти по медицина во март-април 2021 година, вклучивме повеќе интерактивни вежби за кодирање и сесии за повратни информации за проекти за да го покажеме влијанието на користењето на концептите на работилницата врз проектите.
Анализа на податоци: поле на проучување во статистиката што ги идентификува значајните обрасци во податоците преку анализа, обработка и комуникација на обрасци на податоци.
Рударство на податоци: процес на идентификување и извлекување податоци.Во контекст на вештачката интелигенција, ова е често големо, со повеќе променливи за секој примерок.
Намалување на димензиите: Процес на трансформација на податоците со многу индивидуални карактеристики во помалку карактеристики, додека се зачувуваат важните својства на оригиналниот сет на податоци.
Карактеристики (во контекст на вештачката интелигенција): мерливи својства на примерок.Често се користи наизменично со „својство“ или „променлива“.
Карта за активирање на градиент: Техника што се користи за интерпретација на моделите на вештачка интелигенција (особено конволуционерни невронски мрежи), која го анализира процесот на оптимизирање на последниот дел од мрежата за да се идентификуваат региони на податоци или слики кои се многу предвидливи.
Стандарден модел: постоечки модел со вештачка интелигенција кој е претходно обучен за извршување слични задачи.
Тестирање (во контекст на вештачката интелигенција): набљудување како модел извршува задача користејќи податоци со кои досега не се сретнал.
Обука (во контекст на вештачката интелигенција): Обезбедување на модел со податоци и резултати, така што моделот ги приспособува своите внатрешни параметри за да ја оптимизира неговата способност за извршување задачи користејќи нови податоци.
Вектор: низа податоци.Во машинското учење, секој елемент од низата е обично единствена карактеристика на примерокот.
Табелата 1 ги наведува најновите курсеви за април 2021 година, вклучувајќи ги целните цели за учење за секоја тема.Оваа работилница е наменета за оние кои се нови на техничкото ниво и не бара никакви математичко знаење надвор од првата година од додипломски медицински степен.Курсот беше развиен од 6 студенти по медицина и 3 наставници со напредни дипломи по инженерство.Инженерите развиваат теорија за вештачка интелигенција за да предаваат, а студентите по медицина учат клинички релевантен материјал.
Работилниците вклучуваат предавања, студии на случај и водено програмирање.Во првото предавање, ги разгледуваме избраните концепти за анализа на податоци во биостатистика, вклучувајќи визуелизација на податоци, логистичка регресија и споредба на описна и индуктивна статистика.Иако анализата на податоците е основата на вештачката интелигенција, ние исклучуваме теми како што се ископување податоци, тестирање на значење или интерактивна визуелизација.Ова се должи на временските ограничувања и затоа што некои студенти на додипломски студии имале претходна обука за биостатистика и сакале да опфатат повеќе уникатни теми за машинско учење.Следното предавање ги воведува современите методи и дискутира за формулација на проблеми со вештачката интелигенција, предностите и ограничувањата на моделите со вештачка интелигенција и тестирање на модели.Предавањата се надополнети со литература и практични истражувања за постоечките уреди со вештачка интелигенција.Ги нагласуваме вештините потребни за да се процени ефективноста и изводливоста на моделот за решавање на клинички прашања, вклучително и разбирање на ограничувањата на постоечките уреди со вештачка интелигенција.На пример, ги замоливме студентите да ги протолкуваат упатствата за педијатриски повреди на главата предложени од Kupperman et al., 5 кои имплементираа алгоритам за стебло на одлуки за вештачка интелигенција за да одредат дали КТ скенирањето би било корисно врз основа на прегледот на лекарот.Нагласуваме дека ова е вообичаен пример за вештачка интелигенција која обезбедува предвидлива аналитика за лекарите да ги толкуваат, наместо да ги заменуваат лекарите.
Во достапните примери за програмирање за подигање со отворен код (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ние демонстрираме како да се изврши истражувачка анализа на податоци, намалување на димензионалноста, стандардно вчитување модел и обука .и тестирање.Ние користиме тетратки на Google Colaboratory (Google LLC, Mountain View, CA), кои овозможуваат извршување на кодот на Python од веб-прелистувач.На сл. Слика 2 дава пример на вежба за програмирање.Оваа вежба вклучува предвидување малигни тумори со помош на Висконсин Open Breast Imaging Dataset6 и алгоритам за стебло на одлуки.
Презентирајте програми во текот на целата недела на поврзани теми и изберете примери од објавени апликации за вештачка интелигенција.Програмските елементи се вклучени само ако се сметаат за релевантни за обезбедување увид во идната клиничка пракса, како на пример како да се проценат моделите за да се утврди дали се подготвени за употреба во клиничките испитувања.Овие примери кулминираат со полноправна апликација од крај до крај која ги класифицира туморите како бенигни или малигни врз основа на параметрите на медицинската слика.
Хетерогеност на претходното знаење.Нашите учесници се разликуваа по нивното ниво на математичко знаење.На пример, студентите со напредни инженерски средини бараат подлабок материјал, како на пример како да ги извршат сопствените Фуриеови трансформации.Сепак, дискусијата за Фуриеовиот алгоритам во класата не е возможна бидејќи бара длабинско познавање на обработката на сигналот.
Одлив на посетеност.Присуството на следните состаноци се намали, особено во онлајн формати.Решението може да биде да се следи присуството и да се обезбеди сертификат за завршување.Медицинските училишта се познати по тоа што препознаваат записници од воннаставните академски активности на студентите, што може да ги поттикне студентите да се стекнат со диплома.
Дизајн на курсеви: Бидејќи вештачката интелигенција опфаќа толку многу подполиња, изборот на основни концепти за соодветна длабочина и ширина може да биде предизвик.На пример, континуитетот на употреба на алатки за вештачка интелигенција од лабораторијата до клиниката е важна тема.Иако покриваме претпроцесирање на податоци, градење модели и валидација, не вклучуваме теми како што се аналитика на големи податоци, интерактивна визуелизација или спроведување клинички испитувања со вештачка интелигенција, наместо тоа, ние се фокусираме на најуникатните концепти за вештачка интелигенција.Нашиот водечки принцип е да ја подобриме писменоста, а не вештините.На пример, разбирањето како моделот ги обработува влезните карактеристики е важно за интерпретабилноста.Еден начин да го направите ова е да користите карти за активирање на градиент, кои можат да визуелизираат кои региони од податоците се предвидливи.Сепак, ова бара мултиваријантно сметање и не може да се воведе8.Развивањето на заедничка терминологија беше предизвик бидејќи се обидувавме да објасниме како да работиме со податоци како вектори без математички формализам.Забележете дека различни термини имаат исто значење, на пример, во епидемиологијата, „карактеристиката“ се опишува како „променлива“ или „атрибут“.
Задржување на знаењето.Бидејќи примената на вештачката интелигенција е ограничена, степенот до кој учесниците го задржуваат знаењето останува да се види.Наставните програми на медицинските училишта често се потпираат на распоредено повторување за да се зајакне знаењето за време на практични ротации,9 што може да се примени и во образованието за вештачка интелигенција.
Професионализмот е поважен од писменоста.Длабочината на материјалот е дизајнирана без математичка строгост, што беше проблем при започнувањето на клинички курсеви за вештачка интелигенција.Во примерите за програмирање, користиме шаблон програма која им овозможува на учесниците да пополнат полиња и да го стартуваат софтверот без да треба да сфатат како да постават целосна програмска средина.
Решени се грижите за вештачката интелигенција: Постои широко распространета загриженост дека вештачката интелигенција може да замени некои клинички обврски3.За да го решиме ова прашање, ги објаснуваме ограничувањата на вештачката интелигенција, вклучувајќи го и фактот дека скоро сите технологии на вештачка интелигенција одобрени од регулаторите бараат надзор од лекар11.Ја нагласуваме важноста на пристрасноста бидејќи алгоритмите се склони кон пристрасност, особено ако множеството податоци не е разновидно12.Следствено, одредена подгрупа може да се моделира погрешно, што доведува до неправедни клинички одлуки.
Ресурсите се јавно достапни: Создадовме јавно достапни ресурси, вклучувајќи слајдови за предавања и код.Иако пристапот до синхрони содржини е ограничен поради временските зони, содржината со отворен код е пригоден метод за асинхроно учење бидејќи експертизата за вештачка интелигенција не е достапна во сите медицински училишта.
Интердисциплинарна соработка: Оваа работилница е заедничко вложување иницирано од студенти по медицина за планирање на курсеви заедно со инженери.Ова ги покажува можностите за соработка и празнините во знаењето во двете области, дозволувајќи им на учесниците да ја разберат потенцијалната улога што можат да придонесат во иднина.
Дефинирајте ги основните компетенции на вештачката интелигенција.Дефинирањето на список на компетенции обезбедува стандардизирана структура која може да се интегрира во постоечките медицински програми засновани на компетенции.Оваа работилница моментално ги користи целите на учењето нивоа 2 (разбирање), 3 (апликација) и 4 (анализа) на Блумовата таксономија.Имањето ресурси на повисоки нивоа на класификација, како што е создавање проекти, може дополнително да го зајакне знаењето.Ова бара работа со клинички експерти за да се утврди како темите за вештачка интелигенција може да се применат на клиничките работни текови и да се спречи предавањето на повторливи теми веќе вклучени во стандардните медицински наставни програми.
Креирајте студии на случај користејќи вештачка интелигенција.Слично на клиничките примери, учењето засновано на случаи може да ги зајакне апстрактните концепти со истакнување на нивната важност за клиничките прашања.На пример, една работилница го анализираше системот за откривање на дијабетична ретинопатија 13 базиран на вештачка интелигенција на Google за да ги идентификува предизвиците на патот од лабораторија до клиника, како што се барањата за надворешна валидација и патеките за регулаторно одобрување.
Користете искуствено учење: Техничките вештини бараат фокусирана пракса и повторена примена за совладување, слично на ротирачките искуства за учење на клиничките специјализанти.Едно потенцијално решение е моделот на превртена училница, за кој е објавено дека го подобрува задржувањето на знаењето во инженерското образование14.Во овој модел, студентите самостојно го разгледуваат теоретскиот материјал и времето на часовите се посветува на решавање на проблеми преку студии на случај.
Скалирање за мултидисциплинарни учесници: предвидуваме усвојување на вештачка интелигенција што вклучува соработка низ повеќе дисциплини, вклучувајќи лекари и здружени здравствени работници со различни нивоа на обука.Затоа, можеби ќе треба да се развијат наставни програми во консултација со факултетот од различни катедри за да се прилагоди нивната содржина на различни области од здравствената заштита.
Вештачката интелигенција е висока технологија и нејзините основни концепти се поврзани со математиката и компјутерската наука.Обука на здравствениот персонал за разбирање на вештачката интелигенција претставува уникатни предизвици во изборот на содржина, клиничката важност и методите на испорака.Се надеваме дека сознанијата добиени од работилниците за ВИ во образованието ќе им помогнат на идните едукатори да прифатат иновативни начини за интегрирање на вештачката интелигенција во медицинското образование.
Скриптата на Google Colaboratory Python е со отворен код и достапна на: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, КГ и Кан, С. Преиспитување на медицинското образование: повик за акција.Акад.лек.88, 1407–1410 (2013).
McCoy, LG итн. Што навистина треба да знаат студентите по медицина за вештачката интелигенција?NPZh броеви.Медицина 3, 1–3 (2020).
Дос Сантос, ДП, и сор.Ставовите на студентите по медицина кон вештачката интелигенција: мултицентрична анкета.ЕВРО.радијација.29, 1640–1646 (2019).
Fan, KY, Hu, R. и Singla, R. Вовед во машинско учење за студенти по медицина: пилот проект.J. Med.предаваат.54, 1042-1043 (2020).
Куперман Н, и сор.Идентификување на деца со многу низок ризик од клинички значајна повреда на мозокот по повреда на главата: проспективна кохортна студија.Лансет 374, 1160-1170 (2009).
Street, WN, Wolberg, WH и Mangasarian, OL.Екстракција на нуклеарна карактеристика за дијагноза на тумор на дојка.Биомедицински науки.Обработка на слики.Биомедицински науки.Вајс.1905, 861–870 (1993).
Chen, PHC, Liu, Y. and Peng, L. Како да се развијат модели за машинско учење за здравствена заштита.Нат.Мет.18, 410-414 (2019).
Селварају, РР и сор.Grad-cam: Визуелна интерпретација на длабоки мрежи преку локализација базирана на градиент.Зборник на трудови од Меѓународната конференција на IEEE за компјутерска визија, 618–626 (2017).
Кумаравел Б, Стјуарт К и Илиќ Д. Развој и евалуација на спирален модел за проценка на компетенциите за медицина базирана на докази користејќи ОБСЕ во додипломското медицинско образование.БМК Медицина.предаваат.21, 1-9 (2021).
Колачалама VB и Garg PS Машинско учење и медицинско образование.NPZh броеви.лек.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Вештачка интелигенција во радиологијата: 100 комерцијални производи и нивните научни докази.ЕВРО.радијација.31, 3797-3804 (2021).
Топол, ЕЈ Медицина со високи перформанси: конвергенција на човечката и вештачката интелигенција.Нат.лек.25, 44-56 (2019).
Беде, Е. и сор.Човечко-центрирана евалуација на систем за длабоко учење распореден во клиниката за откривање на дијабетична ретинопатија.Зборник на трудови од 2020 CHI конференција за човечки фактори во компјутерските системи (2020 година).
Кер, Б. Превртената училница во инженерското образование: Истражувачки преглед.Зборник на трудови од Меѓународната конференција за интерактивно колаборативно учење од 2015 година (2015 година).
Авторите им се заблагодаруваат на Даниел Вокер, Тим Салкудин и Питер Зандстра од кластерот за истражување на биомедицински слики и вештачка интелигенција на Универзитетот во Британска Колумбија за поддршката и финансирањето.
RH, PP, ZH, RS и MA беа одговорни за развивање на наставната содржина на работилницата.RH и PP беа одговорни за развивање на примери за програмирање.KYF, OY, MT и PW беа одговорни за логистичката организација на проектот и анализата на работилниците.RH, OY, MT, RS беа одговорни за креирање на фигурите и табелите.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS беа одговорни за изготвување и уредување на документот.
Communication Medicine им се заблагодарува на Каролин Мек Грегор, Фабио Мораес и Адитја Боракати за нивниот придонес во прегледот на ова дело.
Време на објавување: 19.02.2024